위내시경 영상에서의 위 병변 자동 검출 모델 개발을 위한 RetinaNet 기반 backbone 네트워크에 따른 학습 성능 비교 (Comparison of Training Performance According to RetinaNet-based Backbone Network for Development of Automatic Gastric Lesion Detection Model in Gastroscopy Images)

서지정보

· 발행기관 : 차세대컨버전스정보서비스학회
· 수록지 정보 : 차세대컨버전스정보서비스기술논문지 / 12권 / 2호 / 215 ~ 223페이지
· 저자명 : 이기표, 김영재, 박동균, 김재승, 김광기

초록

본 연구에서는 위내시경 검사 시에 보조 시스템으로 활용할 수 있도록 RetinaNet 네트워크를 사용하여 위내시경 영상에서의 위 병변의 위치를 자동으로 검출하는 모델을 개발하였다. 위암은 한국이나 일본 등의 아시아권에서 대부분 발생한다. 그러나 위내시경 검사는 동시에 진단이나 치료할 수 있으며, 조기 발견 시 치료 성공확률이 매우 높다. 그러나 실시간으로 진행되는 검사 특성상 숙련도나 경험이 결과에 영향을 주며, 업무의 피로도 상승과 집중력 하락으로 인해 검사의 정확도가 낮아지게 된다. RetinaNet 기반의 backbone 네트워크로 ResNet50, ResNet152, EfficientNetB0, EfficientNetB4 네트워크를 사용하여 학습한 모델의 검출 성능을 확인하고, 각 모델 간의 성능을 비교하였다. RetinaNet 기반 backbone 네트워크별 모델들의 평균 민감도(FP/images)는 ResNet50 73.72%(0.0489), ResNet152 78.26%(0.0458), EfficinetNetB0 79.67%(0.3268), EfficientNetB4 62.66%(0.0448)를 보였다. EfficientNetB0 네트워크는 가장 높은 민감도를 나타냈으나 FP/images가 매우 높게 나타나 두 성능치를 모두 만족하는 네트워크는 ResNet152였다.

영어초록

Gastric cancer occurs mostly in Asian countries such as Korea and Japan. Gastroscopy allows diagnosis and treatment of gastric cancer at the same time, and the probability of successful treatment is very high at early detection. However, due to the nature of the inspection which progresses in real time, proficiency and experience of the clinician affect the results, and the accuracy of the inspectioncan decrease due to increased work fatigue and decreased concentration. In this study, we developed a model that automatically detects the regions of gastric lesion in gastroscopic images using the RetinaNet network so that it can be used as an auxiliary system during gastroscopy. We confirmed the detection performance of models trained using ResNet50, ResNet152, EfficientNetB0, and EfficientNetB4 networks in a RetinaNet-based backbone network, and compared the performance between each model. The average sensitivities (FP/images) of RetinaNet-based backbone network-models were 73.72% (0.0489) for ResNet50, 78.26% (0.0458) for ResNet152, 79.67% (0.3268) for EfficinetNetB0, and 79.67% (0.3268) for EfficientNetB4. The EfficientNetB0 network showed the highest sensitivity, but the FP/images were very high, so the network satisfying both performance values was ResNet152.

참고자료

· 없음